k___l的博客

原创 例子001

原创 brownie使用

2）准备环境变量，.env文件主要提供了以太坊钱包私钥（需要自己妥善保存），INFURA节点的项目ID（如果没有，需要自己注册登录后获得。1）编译好智能合约就可以部署到链上了，在部署前需要配置一系列参数。另外在上链时需要消耗以太币，使用sepolia测试网络，可以在chainlink获得测试用的以太币。scripts：放置一些python脚本，等下部署合约操作的脚本会放在这里。另外也将veryFL上的数据上传到了测试网络上，但是没太看懂。然后调用deploy方法，将合约部署上链。

原创 A Decentralized Federated Learning Frameworkvia Committee Mechanism with Convergence Guarantee

在CMFL中，设立了一个委员会系统来筛选上传的本地梯度。虽然当恶意客户端的比例相对较高时，仍可能有少量的恶意客户端混入委员会成员，然而在委员会成员中恶意客户端的比例过小，很难影响整个委员会的判断。两个诚实梯度的欧式距离小于一个诚实梯度和一个恶意距离，基于该观点评分系统设计为比较两个梯度的欧式距离，其中上传诚实梯度的客户端可以获得较高的分数，上传恶意梯度的客户端获得较低的分数。3）每个客户端根据选择策略选择客户端集合，由于所有分数都是在委员会成员之间广播的，因此在诚实的委员会成员之间的选择出的集合时相同的。

原创 A Novel Blockchain-Assisted Aggregation Schemefor Federated Learning in IoT Networks

排名前50%的节点继续参与模型聚合，并加入聚合节点子集，其余节点作为本次训练的验证节点。与现有的方法不同，聚合节点的选择利用马尔可夫决策过程和DDPG得到最优选择策略，两个过程选择节点基于节点资源和模型性能，模型性能的评价基于模型精度，为验证提供统一标准。在集群间验证中，通过强终端设备之间的相互验证来评估集群模型的准确性，从而为聚合节点的选择提供性能证明。在终端设备集群的基础上，利用集群的header改进了分层聚合框架，进一步分配了模型聚合任务，减少了通信开销。块打包完成后，区块链网络中的节点同步块m。

原创 聚合方法、模型验证、节点选择

总结：与经典的FL框架相比，NC层等价于中间层的作用，因此，NC层中的平均模型也会受到恶意攻击者的中毒攻击。同时，由于车辆收集的数据质量各不相同，高质量的数据共享意味着用户可以获得更可靠的服务，而低质量的数据则会降低服务的可靠性、驾驶体验或造成交通事故。（2）矿工选举和添加区块：考虑到车辆的计算能力有限，以及移动性的交互时间较短，如果哈希问题的难度设置的过高，会导致较长的块生成时间和计算功耗。提出了一种区块链辅助的物联网网络中的FL聚合方法，其中聚合节点的选择用于提高效率，区块链用于性能检验。

原创 笔记2.Blockchain and Federated Learning forPrivacy-Preserved Data Sharing in Industrial IoT

论文网址：https://ieeexplore.ieee.org/document/8843900

原创 【一些东西】

在区块链网络上，节点之间需要共同维护这条区块链系统，每当一个节点创造出新的区块，他需要以广播的形式通知其他节点，其他节点收到信息后对该区块进行验证，然后在该区块的基础上去创建新的区块。即每个用户设备上都有一个用户自己的数据集，用户设备上持有的用户数据是不同的，而每个用户设备都有训练一个相同的模型。例如，多家医院共同合作来训练一个用于癌症诊断的模型，所有的患者都符合""癌症"这个病症的数据特征，但是每家医院可能拥有不同的患者数据。# 用户设备拿到自己那部分的数据特征，用本地的模型分片进行训练。

原创 Hyperledger Fabric基础

八、Fabric网络组件。

原创 笔记1.Federated Learning Meets Blockchain in EdgeComputing: Opportunities and Challenges

然后，它以事务的形式将计算出的更新上传到一组矿工中。# 联邦学习：在每一轮通信中，每个设备训练一个本地模型，并通过最小化损失函数F（wk）来计算一个更新wk，每个设备k将其计算出的更新工作上传到MEC服务器，然后MEC服务器聚合并计算出一个新版本的全局模型。# MEC用来处理来自移动设备的大量数据，以方便它可以在AI的帮助下完成智能服务，收集数据并进行计算都是在MEC服务器中进行。# 区块链：所有区块链节点，如边缘网络中的移动设备和MEC服务器，都有平等的权利来验证和管理区块链中存储的数据。